本文關(guān)鍵詞：推薦系統(tǒng)，由筆耕文化傳播整理發(fā)布。

推薦系統(tǒng)的常用算法概述

　　前一陣子準(zhǔn)備畢業(yè)論文的開(kāi)題，一直在看推薦系統(tǒng)相關(guān)的論文。對(duì)推薦系統(tǒng)有了一個(gè)更加清晰和理性的認(rèn)識(shí)，也對(duì)推薦算法有了深入了解。借此機(jī)會(huì)總結(jié)分享一下，大家多多拍磚。

推薦系統(tǒng)的出現(xiàn)

　　隨著互聯(lián)網(wǎng)的發(fā)展，人們正處于一個(gè)信息爆炸的時(shí)代。相比于過(guò)去的信息匱乏，面對(duì)現(xiàn)階段海量的信息數(shù)據(jù)，對(duì)信息的篩選和過(guò)濾成為了衡量一個(gè)系統(tǒng)好壞的重要指標(biāo)。一個(gè)具有良好用戶體驗(yàn)的系統(tǒng)，會(huì)將海量信息進(jìn)行篩選、過(guò)濾，將用戶最關(guān)注最感興趣的信息展現(xiàn)在用戶面前。這大大增加了系統(tǒng)工作的效率，也節(jié)省了用戶篩選信息的時(shí)間。

　　搜索引擎的出現(xiàn)在一定程度上解決了信息篩選問(wèn)題，但還遠(yuǎn)遠(yuǎn)不夠。搜索引擎需要用戶主動(dòng)提供關(guān)鍵詞來(lái)對(duì)海量信息進(jìn)行篩選。當(dāng)用戶無(wú)法準(zhǔn)確描述自己的需求時(shí)，搜索引擎的篩選效果將大打折扣，而用戶將自己的需求和意圖轉(zhuǎn)化成關(guān)鍵詞的過(guò)程本身就是一個(gè)并不輕松的過(guò)程。

　　在此背景下，推薦系統(tǒng)出現(xiàn)了，推薦系統(tǒng)的任務(wù)就是解決上述的問(wèn)題，聯(lián)系用戶和信息，一方面幫助用戶發(fā)現(xiàn)對(duì)自己有價(jià)值的信息，另一方面讓信息能夠展現(xiàn)在對(duì)他感興趣的人群中，從而實(shí)現(xiàn)信息提供商與用戶的雙贏。

推薦算法介紹

　　1 基于人口統(tǒng)計(jì)學(xué)的推薦

　　這是最為簡(jiǎn)單的一種推薦算法，它只是簡(jiǎn)單的根據(jù)系統(tǒng)用戶的基本信息發(fā)現(xiàn)用戶的相關(guān)程度，然后將相似用戶喜愛(ài)的其他物品推薦給當(dāng)前用戶。

　　系統(tǒng)首先會(huì)根據(jù)用戶的屬性建模，比如用戶的年齡，，性別，興趣等信息。根據(jù)這些特征計(jì)算用戶間的相似度。比如系統(tǒng)通過(guò)計(jì)算發(fā)現(xiàn)用戶A和C比較相似。就會(huì)把A喜歡的物品推薦給C。

　　優(yōu)勢(shì)：

　　a 不需要?dú)v史數(shù)據(jù)，沒(méi)有冷啟動(dòng)問(wèn)題

　　b 不依賴于物品的屬性，因此其他領(lǐng)域的問(wèn)題都可無(wú)縫接入。

　　不足：

　　算法比較粗糙，效果很難令人滿意，只適合簡(jiǎn)單的推薦

　　2 基于內(nèi)容的推薦

　　與上面的方法相類(lèi)似，只不過(guò)這次的中心轉(zhuǎn)到了物品本身。使用物品本身的相似度而不是用戶的相似度。

　　系統(tǒng)首先對(duì)物品（圖中舉電影的例子）的屬性進(jìn)行建模，圖中用類(lèi)型作為屬性。在實(shí)際應(yīng)用中，只根據(jù)類(lèi)型顯然過(guò)于粗糙，還需要考慮演員，導(dǎo)演等更多信息。通過(guò)相似度計(jì)算，發(fā)現(xiàn)電影A和C相似度較高，因?yàn)樗麄兌紝儆趷?ài)情類(lèi)。系統(tǒng)還會(huì)發(fā)現(xiàn)用戶A喜歡電影A，由此得出結(jié)論，用戶A很可能對(duì)電影C也感興趣。于是將電影C推薦給A。

　　優(yōu)勢(shì)：

　　對(duì)用戶興趣可以很好的建模，并通過(guò)對(duì)物品屬性維度的增加，獲得更好的推薦精度

　　不足：

　　a 物品的屬性有限，很難有效的得到更多數(shù)據(jù)

　　b 物品相似度的衡量標(biāo)準(zhǔn)只考慮到了物品本身，有一定的片面性

　　c 需要用戶的物品的歷史數(shù)據(jù)，有冷啟動(dòng)的問(wèn)題

　　3 協(xié)同過(guò)濾

　　協(xié)同過(guò)濾是推薦算法中最經(jīng)典最常用的，具體的思路我已經(jīng)在之前的一篇文章中提到過(guò)，大家可以去看一下。

　　這里只想介紹一下協(xié)同過(guò)濾中的方法和剛才提到方法的區(qū)別。

　　大家都知道協(xié)同過(guò)濾分為基于用戶的協(xié)同過(guò)濾和基于物品的協(xié)同過(guò)濾。那么他們和基于人口學(xué)統(tǒng)計(jì)的推薦和基于內(nèi)容的推薦有什么區(qū)別和聯(lián)系呢？下面簡(jiǎn)單介紹一下。

　　基于用戶的協(xié)同過(guò)濾——基于人口統(tǒng)計(jì)學(xué)的推薦

　　基于用戶的協(xié)同過(guò)濾推薦機(jī)制和基于人口統(tǒng)計(jì)學(xué)的推薦機(jī)制都是計(jì)算用戶的相似度，并基于“鄰居”用戶群計(jì)算推薦，但它們所不同的是如何計(jì)算用戶的相似度，基 于人口統(tǒng)計(jì)學(xué)的機(jī)制只考慮用戶本身的特征，而基于用戶的協(xié)同過(guò)濾機(jī)制可是在用戶的歷史偏好的數(shù)據(jù)上計(jì)算用戶的相似度，它的基本假設(shè)是，喜歡類(lèi)似物品的用戶 可能有相同或者相似的口味和偏好。

　　基于物品的協(xié)同過(guò)濾——基于內(nèi)容的推薦

　　基于項(xiàng)目的協(xié)同過(guò)濾推薦和基于內(nèi)容的推薦其實(shí)都是基于物品相似度預(yù)測(cè)推薦，只是相似度計(jì)算的方法不一樣，前者是從用戶歷史的偏好推斷，而后者是基于物品本身的屬性特征信息。

　　協(xié)同過(guò)濾的優(yōu)勢(shì)：

　　a 它不需要對(duì)物品或者用戶進(jìn)行嚴(yán)格的建模，而且不要求物品的描述是機(jī)器可理解的，所以這種方法也是領(lǐng)域無(wú)關(guān)的。

　　b 這種方法計(jì)算出來(lái)的推薦是開(kāi)放的，可以共用他人的經(jīng)驗(yàn)，很好的支持用戶發(fā)現(xiàn)潛在的興趣偏好

　　不足：

　　a 方法的核心是基于歷史數(shù)據(jù)，所以對(duì)新物品和新用戶都有“冷啟動(dòng)”的問(wèn)題。

　　b 推薦的效果依賴于用戶歷史偏好數(shù)據(jù)的多少和準(zhǔn)確性。

　　c 在大部分的實(shí)現(xiàn)中，用戶歷史偏好是用稀疏矩陣進(jìn)行存儲(chǔ)的，而稀疏矩陣上的計(jì)算有些明顯的問(wèn)題，包括可能少部分人的錯(cuò)誤偏好會(huì)對(duì)推薦的準(zhǔn)確度有很大的影響等等。

　　d 對(duì)于一些特殊品味的用戶不能給予很好的推薦。

　　e 由于以歷史數(shù)據(jù)為基礎(chǔ)，抓取和建模用戶的偏好后，很難修改或者根據(jù)用戶的使用演變，從而導(dǎo)致這個(gè)方法不夠靈活。

　　4 混合推薦算法

　　以上介紹的方法是推薦領(lǐng)域最常見(jiàn)的幾種方法。但是可以看出，每個(gè)方法都不是完美的。因此實(shí)際應(yīng)用中，向Amazon這樣的系統(tǒng)都是混合使用各種推薦算法，各取所長(zhǎng)。因此我們?cè)谑褂脮r(shí)，也可以多考慮一下什么情況下更適合使用哪種算法，來(lái)提高我們系統(tǒng)的效率。

推薦系統(tǒng)的發(fā)展方向

　　1 需要考慮在保證推薦準(zhǔn)確性的同時(shí)增加推薦的多樣性，使特殊喜好的用戶得到推薦

　　2 需要考慮用戶對(duì)系統(tǒng)的實(shí)時(shí)反饋，更好的利用反饋數(shù)據(jù)強(qiáng)化推薦算法

　　3 考慮時(shí)間，空間，任務(wù)等因素，來(lái)更好的完成推薦

歡迎大家拍磚～ 更多資料請(qǐng)看

posted @

  本文關(guān)鍵詞：推薦系統(tǒng)，由筆耕文化傳播整理發(fā)布。